Pe 11

Processos Estocsticos
Parte 1 Probabilidades
Professora Ariane Ferreira
Contedos
2
Contedos
Parte 1.1 : Conceitos de Probabilidade
Parte 1.2 : Variveis Aleatrias
Bibliografia indicada aos alunos

[1] Paul Meyer. Probabilidade - Aplicaces a Estatistica ed. LTC
Bibliografia usada para elaborao deste curso

[1] Paul Meyer. Probabilidade - Aplicaces a Estatistica, ed. LTC
[2] Magalhes, M.; Moura Neto, F.D. Apostila Probabilidade e Estatistica. Modelos Matemticos
na presena de incertezas.
[3] Montgomery, D.; Runger,D.C. Applied Statistics and Probability for Engineers, 4 ed.J.Wiley
[4] Saporta, G. Probabilits et Statistique analyse de donnes, 2 ed.Technip.
[5] Tenenhaus, M. Statistique Mthodes pour dcrire, expliquer et prvoir, ed. Dunod.
IPRJ UERJ
Ariane Ferreira
Contedos da parte 1
3
Parte 1.1 Conceitos de Probabilidade

Aleatoriedade
Experimento Aleatrio
lgebra dos Eventos Aleatrios
Incerteza e Risco
Definies Objetivistas de Probabilidade
Conceito Subjetivista de Probabilidade (Incerteza)
Funo Probabilidade
Soma de Probabilidades
Probabilidade Condicional
Probabilidade de Eventos Independentes
Probabilidade Total
Teorema de Bayes
Exemplos
Anexo: Lista de Exerccios 1
IPRJ UERJ
Ariane Ferreira
Conceitos de probabilidade
4
Aleatoriedade
A Teoria das Probabilidades estuda os fenmenos aleatrios.
Fenmeno Aleatrio:
So os fenmenos cujo resultado no pode ser previsto exatamente.
Se o fenmeno se repetir, sob as mesmas condies,o resultado no ser
sempre o mesmo.
Experimento:
definido como qualquer procedimento que pode ser repetido e que, em
cada uma das repeties produz um resultado, isto , h uma variabilidade
nos resultados das realizaes do experimento.
Qualquer fenmeno que possa ser executado pelo homem.
Experimento determinstico :
Sob condies idnticas, os resultados so sempre os mesmos, qualquer
que seja o nmero de ocorrncia.
IPRJ-UERJ
Ariane Ferreira
5
Experimento Aleatrio
Experimento Aleatrio:
Um experimento qualificado de aletrio se no se pode prever seu
resultado antes de sua concluso.
Se o mesmo experimento repetido em condies idnticas, ele pode ter
resultados diferentes.
Cada experimento pode ser repetido indefinidamente sob as mesmas
condies. Embora no saibamos o resultado que ir ocorrer, podemos
descrever o conjunto de todos os possveis resultados.
Notao:
Experimento aleatrio: E
Resultado de um experimento aleatrio: elemento
Conjunto de todos os resultados possveis (universo dos possveis) do
experimento aletrio E chamado de espao amostral S (ou ).
Exemplos de Experimentos Aleatrios :
Lanamento de uma moeda, lanamento de um dado.
IPRJ UERJ
Ariane Ferreira
6
Espao Amostral e Eventos

Os resultados de um experimento aleatrio podem ser representados em um
espao amostral ao qual chamaremos de S (outra notao ).
O espao S pode ser uni ou k-dimensional, discreto ou contnuo, finito ou
infinito.
Evento: um conjunto de resultados possveis do experimento. um
subconjunto de S.
A figura a seguir apresenta um espao bidimensional onde aparecem os
eventos A e B.
Como pode ser visto, os eventos A e B
esto completamente contidos em S e
apresentam interseo, ou seja, a sua
ocorrncia simultnea possvel.
IPRJ-UERJ
Probabilidade e Estatstica
Ariane Ferreira
7
Dado um Experimento Aleatrio E

Espao Amostral: S ( ou )
o conjunto de todos os possveis resultados do experimento.
Evento Aleatrio: A
um subconjunto do espao amostral: A S; (A )
Evento Certo:
O espao amostral S, enquanto subconjunto de si prprio, chamado de
vento certo.
Evento Impossvel:
O conjunto vazio chamado de evento impossvel .
Eventos Elementares:
So os eventos aleatrios que contenham apenas um elemento, A= {
}.
IPRJ UERJ
Ariane Ferreira
8
Exemplos de Experimento Aleatrio

Experimento 1:
Joga-se um dado. Sai 4 na face superior do dado.
Notao:
Resultado: =4
Espao amostral S={1,2,3,4,5,6}
Experimento 2:
Lanamento de uma moeda 20 vezes e obervao do nmero e caras.
Espao amostral S={0,1,2,3,...,20}
Experimento 3:
Em uma linha de produo, fabricam-se peas em srie.Um experimento
aleatrio consiste em contar o nmero de peas defeituosas produzidas em
um perodo de 24h. O nmero de peas defeituosas vai de 0 a N, N sendo o
nmero total de peas produzidas en 24h.
Espao amostral S={0,1,...,N}
IPRJ UERJ
Ariane Ferreira
9
Exemplos de Espao Amostral e Eventos
Experimento 4: jogar uma moeda duas vezes.

Possveis resultados (espao amostral): S = { KK, KC, CK, CC }
Evento: A1 no mnimo uma cara:
A1 = {CC, CK, KC}
Experimento 5: Lanar um dado e observar a face voltada para cima.

Possveis resultados (espao amostral) S = { 1,2,3,4,5,6}
Evento: A2 A ocorrncia de face par no lanamento de um dado.
A2 = { 2,4,6 }
IPRJ-UERJ
Ariane Ferreira
10
Notao dos Eventos Aleatrios

Notao :
Usaremos o smbolo para representar o conjunto vazio, e uma barra

sobre a letra, por exemplo A , para representar o complemento de A,
isto , o conjunto de pontos que no pertence a A.
S o evento certo;
o evento impossivel;
Interseo A
B : a ocorrncia simultnea de A e B
Unio A
B: a ocorrncia de A ou B
A o complemento de A
IPRJ-UERJ
Ariane Ferreira
11
Eventos Aleatrios
Evento Complementar
formado por todos os pontos que pertencem ao espao amostral S
mas no pertencem a A.
A = 1 A
Evento Coletivamente Exaustivos
No mnimo um dos eventos deve ocorrer quando o experimento
conduzido.
Experimento de jogar 2 moedas, os quatro possveis resultados so
coletivamente exaustivos.
Evento Mutuamente Exclusivos (incompatveis, disjuntos)

Dois ou mais eventos so mutuamente exclusivos quando a ocorrncia
de um exclui a ocorrncia de outro.
A
B =
IPRJ-UERJ
Ariane Ferreira
12

Dados dois eventos A e B
Interseo A
B : a ocorrncia simultnea de A e B
O resultado do experimento est necessariamente contido no evento A e no
evento B.
Conjunto de valores que pertence simultaneamente a A e B.
Unio A
B: a ocorrncia de A ou B
Contm os resultados do evento A unidos aos do evento B.
Conjunto de valores que pertence a A ou B ou a ambos.
Elemento Favorvel :
Se o resultado de um experimento, e A um evento, A ,
ento diz-se que
favorvel A se A;
desfavorvel A se A
IPRJ UERJ
Ariane Ferreira
13
Diagramas de Venn
Unio: C = A
B
Complementar
IPRJ UERJ
Interseo: D = A
B
Mutuamente exclusivos: E = A
B=
Ariane Ferreira
14

Coumutatividade:
AB= BA
AB= BA
Distributividade:
(AB)C= (AC)(BC)
(AB)C = (AC)(B C)
Eventos Complementares
Complementar :
Leis de Morgan:
( A ) = A outra representao (A)=A
AB = AB
AB = AB
IPRJ UERJ
Ariane Ferreira
15
Partio do Espao Amostral

Dizemos que os eventos A1,A2, ... ,An tornam uma partio do
espao amostral S se:
i) Ai 0
ii) Ai Ai = para i j ou seja os eventos Ai so mutuamente
exclusivos.
n
iii)
A
i =1
=S
=> a unio dos eventos Ai o espao amostral S.
i j A i A j =
A i = S
IPRJ UERJ
Ariane Ferreira
16
Incerteza e Risco
Deciso e Risco:
Suponhamos que tenhamos que tomar uma deciso sobre uma situao
sujeita diversos fatores de incerteza ou aleatoriedade.
Por exemplo tomar uma deciso antes de um experimento a ser realizado e
que o resultado depende de um evento aleatrio.
Podemos definir uma situao de risco ( que a de tomar uma deciso
incorreta, um ERRO) com relao aos objetivos fixados.
Exemplo 1: Perante um salgadinho que voc desconhece se esta prprio ou
deteriorado para o consumo, voc tem que decidir se come ou no:
Tabela de possibilidades
Deciso\Realidade
Deteriorado
Prprio para consumo
IPRJ-UERJ
No comer
Deciso correta
ERRO
Comer
ERRO GRAVE
Deciso correta
Ariane Ferreira
17
Incerteza e Risco
Deciso e Risco:
Exemplo 2: No julgamento de um ru, o juiz decreta sentenas (decises) sem
conhecer todos os fatos (Incerteza). Haver sentenas corretas e incorretas.
Haver ainda uma sentena ainda mais incorreta: condenar um inocente.
Tabela de possibilidades
IPRJ-UERJ
Sentena\Ru
Inocente
Culpado
Absolver ( deixar livre)
Deciso correta
ERRO
Condenar (manter preso)
ERRO GRAVE
Deciso correta
Ariane Ferreira
18

Uma varivel ser chamada aleatria se descreve os resultados de um experimento
aleatrio.
As probabilidades so utilizadas para exprimir a chance de ocorrncia de um
determinado evento.
Conceito Clssico de Probabilidade
Proveniente da teoria dos jogos.
Supe-se que todos os possveis resultados de um experimento aleatrio so
igualmente provveis.
Existem "n" resultados possveis dos quais "a" so favorveis a ocorrncia do
evento A.
A probabilidade do evento A ocorrer dada por:
a
P ( A) =
n
Nmero de casos favorveis

Nmero de casos possveis
Exemplo 3: Qual a probabilidade de retirar uma dama de um baralho? P(A) = 4 / 52

IPRJ-UERJ
Ariane Ferreira
19
Laplace
Considere espaos amostrais com um nmero finito de elementos (dados,
moedas, baralho de 52 cartas).
Laplace considerou que em um experimento com n diferentes resultados, e no
havendo nenhuma diferena substancial entre os resultados, as frequncias
relativas de cada um deles iriam oscilar em torno de 1/n.
Limitaes do Conceito Clssico de Probabilidade:
Experimento de dAlembert
(para cultura geral faa uma pesquisa sobre o clebre paradoxo de Bertrand)
Exemplo 4: Jogue um dado e observe a face.
O espao amostral S={1,2,3,4,5,6}, h 6 resultados possveis.
A Probabilidade (`sair uma dada face') =1/6
a) Seja A={1,2,3,4}, P(A) = 4/6=2/3
IPRJ-UERJ
Ariane Ferreira
20
Exemplos do Conceito Clssico de Probabilidade (Laplace)

Exemplo 4: continuao
b) Probabilidade de se obter um nmero par como resultado de um lanamento
de um dado
Seja B={2,4,6}, P(B) = 3/6=1/2=0,5 ou 50%
c) Probabilidade de se obter o nmero 4 como resultado de um lanamento de
um dado:
S = {1,2,3,4,5,6} e C= {4}, ento P(C) = 1/6 0,167 ou 16,7 %
d) Probabilidade de se obter um nmero diferente de 4 no lanamento de um
dado:
S = {1,2,3,4,5,6} e A = {1,2,3,5,6}, ento p = 5/6 0,833 ou 83,3 %
IPRJ-UERJ
Ariane Ferreira
21
Experimento de dAlembert
DAlembert tentou aplicar o modelo de Laplace ao experimento de lanar duas
moedas e contar o nmero de caras que ocorrem.
Espao Amostral S={0,1,2}.
Seguindo o modelo de Laplace, e como o espao amostral tem trs elementos,
d'Alembert atribuiu as seguintes probabilidades aos eventos:
A0 ={0} no sair nenhuma cara , P(A0)=1/3;
A1 ={1} sair uma cara , P(A1)=1/3;
A2 ={1} no sair nenhuma cara , P(A2)=1/3
d'Alembert realizou e anotou o resultado dos experimentos e constatou que as
frequncias relativas de sair 0 caras, sair 1 cara e sair 2 caras no ficavam
oscilando em torno de 1/3, por mais que ele fosse repetindo o experimento, como
previsto pela aplicao do modelo de Laplace.
As frequncias relativas oscilavam em torno de 1/4, 1/2 e 1/4, respectivamente.
A previso de qualquer modelo terico deve ser confrontada com resultados experimentais
Devemos rejeitar a aplicao do modelo de Laplace ao experimento de d'Alembert.
IPRJ-UERJ
Ariane Ferreira
22

Conceito Frequencial de Probabilidades
Proveniente da lei dos grandes nmeros.
A realisao de um nico experimento no sufficiente para avaliar a
probabilidade de um evento.
Temos que repetir o experimento um grande nmero de vezes.
Por exemplo, no lanamento de um dado, a probabilidade do evento A: face 6,
sera dada abaixo:
Conceito Frequencial:
numero de 6 obtidos
P ( A) =
= f
numero de experimentos
Quanto maior o nmero de observaes realizadas mais o valor da frequncia

observada tender ao verdadeiro valor da probabilidade.
Limitaes do Conceito Frequencial
Necessidade de uma infinidade de realisaes do experimento.
Impossibilidade de calcular a probabilidade de eventos no repetveis (meteorologia)
Crculo vicioso: esta definio de probabilidades repousa sobre a lei dos grandes
nmeros, mas esta pressupe a definio de probabilidades.
IPRJ-UERJ
Ariane Ferreira
23
Conceito Subjetivo de Probabilidade

Medida de Incerteza
Segundo a escola subjetivista a probabilidade objetiva de um evento no existe, ou
seja, no uma grandeza mensurvel anloga massa de um corpo.
A probabilidade simplesmente uma medida de incerteza podendo variar segundo
as circunstncias e o observador.
A nica exigncia que esta medida satisfaa os axiomas do clculo de
probabilidades.
IPRJ-UERJ
Ariane Ferreira
24
Probabilidade
Para um evento E em S, podemos definir a existncia de uma funo P tal que
P represente a probabilidade que x pertena a E. Isto :
P(E) = Pr (x E)
Alternativamente, pode ser enunciado:
Para um evento E em S, podemos definir a existncia de uma funo P tal que
P represente a probabilidade de ocorrncia de E. Isto :
P(E) = Pr(ocorrncia do evento E)
Para determinar a probabilidade de um evento, usaremos o ponto de vista das
freqncias relativas:
P(E) = m(E) / m(S)
onde m(E) e m(S) representam as medidas de E e S.
IPRJ-UERJ
Ariane Ferreira
25
Funo Probabilidade
Axioma de Kolmogorov
Para um evento E em S, associamos um nmero positivo entre 0 e 1.
Uma funo P uma probabilidade se ela satisfazer as propriedades:
i.
P definida para cada evento A, isto , para cada subconjunto de S
ii.
P(A) um nmero entre 0 e 1, 0 P(A) 1
iii. Se E1 e E2 so eventos disjuntos, tais que E1 E2 = , tem-se que

P(E1 E2) = P(E1) + P(E2)
(unio disjunta)
iv. A probabilidade de ocorrncia de um ponto qualquer do espao amostral S

deve ser igual a 1: P(S)=1
IPRJ-UERJ
Ariane Ferreira
26
Propriedades de Probabilidade
v. para eventos Ai; i = 1, 2,...,+ mutuamente exclusivos (eventos disjuntos, isto
no tem elementos em comum).
A probabilidade da unio disjunta a soma das probabilidades dos eventos
vi. Se o conjunto vazio, P( ) = 0;

vii. Se B A ento P(B)
P(A), em particular se P(A)=0 ento P(B)=0
IPRJ-UERJ
Ariane Ferreira
27
Para os eventos E1 e E2 mutuamente exclusivos (disjuntos) E1 E2 =
a soma das probabilidades dada pela generalizao da propriedade 3.
k
P(E1 E 2 L E k ) = P(E i )
i =1
Se os eventos E1 e E2 no so mutuamente exclusivos (E1 E2 ), mas so

independentes, pode-se demonstrar que:
P(E1 E2 ) = P(E1 ) + P(E2 ) - P(E1 E2 )
IPRJ-UERJ
Ariane Ferreira
28
Para o caso de trs eventos, E1 , E2 e E3 (que no so mutuamente exclusivos) a
generalizao anterior :
P(E1 E2 E3 ) =
P(E1 ) + P(E2 ) + P(E3 ) - [P(E1 E2 ) + P(E1 E3 ) + P(E2 E3 )] + P(E1 E2 E3 )
IPRJ-UERJ
Ariane Ferreira
29
Desigualdade de Boole
Sejam os eventos A1,..., An eventos. Ento
Um caso em que a desigualdade de Boole conveniente quando se quer

estimar a probabilidade da realizao da unio de eventos A1...
An quando a
probabilidade individual destes pequena.
IPRJ-UERJ
Ariane Ferreira
30
Regra do Complemento
A regra do complemento usada para determinar a probabilidade de um evento
ocorrer subtraindo-se a probabilidade do evento no ocorrer de 1.
Seja P(A) a probabilidade do evento A e P ( A ) a probabilidade do evento no A
(complemento de A).
P( A) + P ( A ) = 1
P( A) = 1 P ( A )
IPRJ-UERJ
Ariane Ferreira
31
Exemplo 5
A companhia de aviao X recentemente forneceu a seguinte informao para o
Departamento de Aviao Civil (DAC) sobre os vos da origem A ao destino B
Chegada
Freqncia
Adiantada
100
No horrio
800
Ento P(A) = 100 / 1000 = 0,1
Atrasada
75
Seja B o evento: o vo chega atrasado
Cancelado
25
TOTAL
1000
Seja A o evento: o vo chega adiantado
Ento P(B) = 75 / 1000 = 0,075
Nota: os eventos A e B so mutuamente exclusivos. Porque ?

Qual a probabilidade de que um vo chegue adiantado ou atrasado?
P(A ou B) = P(A) + P(B) = 0,1 + 0,075 = 0,175
IPRJ-UERJ
Ariane Ferreira
32
Continuao do Exemplo 5
Seja C o evento: o vo chega no Horrio.
Ento P(C) = 800/ 1000 = 0,8
Seja D o evento: o vo cancelado.
Ento P(D) = 25 / 1000 = 0,025
Nota: os eventos C e D so mutuamente exclusivos. Porque ?

Use a regra do complemento para mostrar que a probabilidade do vo
chegar adiantado (A) ou atrasado (B) 0,175
P(A ou B) = 1 P(C ou D) = 1 [0,8 + 0,025] = 0,175
IPRJ-UERJ
Ariane Ferreira
33
Exemplo 6
A tabela abaixo fornece algumas informaes sobre o nmero de alunos de um
Instituto de Matemtica. Considera-se uma estratificao do universo dos alunos em
2 categorias: curso e sexo.
Curso\Sexo
Homem (H)
Mulher (M)
Total
(P) Matemtica
70
40
110
(A) Mat. Aplicada
15
15
30
(E) Estatstica
10
20
30
(C) Computao
20
10
30
115
85
200
Total
Consideram-se vrios eventos; por exemplo, o evento E constitudo pelos

alunos de Estatstica ( E=cursa Estatstica).
Responda as seguintes questes:
IPRJ-UERJ
Ariane Ferreira
34
1) Qual a probabilidade de um aluno ser de estatstica?
2) Qual a probabilidade de um aluno ser homem? ( Evento H)
P( H ) =
115
= 57,5%
200
3) Qual a probabilidade de um aluno ser homem e de matemtica aplicada?
P( H A) =
15
7,5
=
= 7,5%
200 100
4) Qual a probabilidade de um aluno ser homem ou de matemtica aplicada?
P ( H A) = P ( H ) + P ( A) P( H A)
P ( H A) = 57,5% + 15% 7,5% = 65%
IPRJ-UERJ
Ariane Ferreira
35
5) Qual a probabilidade de um aluno ser de matemtica ou de computao?
Note que os eventos A e C so disjuntos.
P( A C ) = P( A) + P(C ) P( A C )
P( A C ) = P( A) + P(C ) P()
P( A C ) =
IPRJ-UERJ
30
30
60
30
+
=
=
= 30%
200 200 200 100
Ariane Ferreira
36
Seja E um experimento com espao amostral S e probabilidade P.
Queremos analisar a probabilidade de um evento A,
dado que algum outro evento, B, tenha ocorrido.
Essa probabilidade chamada
probabilidade do evento A condicional ocorrncia do evento B.
Notao P(A/B) probabilidade de A sabendo B.
Para modelar esta situao tem que se levar em considerao que:
garantida a ocorrncia de um elemento de B;
elementos de S\B (espao amostral sem B) no ocorrem
Ento, espao amostral adequado reduzido de S para B, e os eventos
A de S passam para os eventos (A
B)
B.
IPRJ-UERJ
Ariane Ferreira
37
Probabilidade do evento A condicional ocorrncia do evento B:
P( A B)
se P(B)> 0
P( A / B) = P(B)
P( A), caso contrario
Verificando as propriedades:
P( S B) P( B)
P( S / B) =
=
=1
P( B)
P( B)
P U Ai B P U( Ai B )
i
=
P(U Ai / B) =
i
P( B)
P( B)
P( Ai B )
i P( B) = i P( Ai / B)
IPRJ-UERJ
Ariane Ferreira
38
Regra do Produto de Probabilidades

partir da noo de probabilidade condicional poderemos obter a regra do produto
de probabilidades:
P( A B) = P( A / B) P( B)
A regra do produto pode ser usada quando temos experimentos que ocorrem em
sequncia (ou em etapas) e estamos interessados na probabilidade dos dois
eventos, em cada uma das etapas, ocorrerem, isto , na probabilidade de ocorrncia
simultnea dos dois eventos.
Sejam os A1 o evento da 1 etapa e A2 o evento da 2 etapa.
Ento:
P(A2A1)=P(A2/A1).P(A1)
ou
P(A2A1)=P(A1).P(A2/A1)
1a Etapa 2a Etapa
IPRJ-UERJ
Ariane Ferreira
39
Observaes sobre a Regra do Produto de Probabilidades

1) A regra do produto de probabilidades admite uma generalizao para 3 ou mais
eventos Sejam os eventos A,B,C e D, ento:
P(A
B
C)=P(A).P(B/A).P(C/(A B))
P(A
B
C D)=P(A).P(B/A).P(C/(A B)).P(D/(A
B
C))
2) Quando temos eventos sequenciais, A1, A2, A3, onde A1 ocorre primeiro, e
depois A2 e em seguida A3, a probabilidade que os trs ocorram :
P(A1A2A3)=P(A1).P(A2/A1).P(A3/(A1 A2))
3) Esta regra admite generalizao para 4 ou mais eventos sequnciais. Se A1, A2,
A3, A4 so eventos que ocorrem em sequncia.
P(A1A2A3 A4)= P(A1).P(A2/A1).P(A3/(A1 A2)).P(A4/(A1A2A3 ))
IPRJ-UERJ
Ariane Ferreira
40
Exemplo 7
Qual a probabilidade de sarem 2 cartas de copas em uma extrao de 2 cartas de
um baralho, sem reposio?
Considere os eventos:
A sair carta de copas na 1 retirada;
B sair carta de copas na 2 retirada.
O evento de interesse a ocorrncia simultnea de A e de B (AB).
P( A) =
P( B / A) =
ocorrncias favoraveis a A
13(cartas de copas)
=
total de ocorrncias possiveis
52( total de cartas)
ocorrncias favoraveis a B/A 12(cartas de copas - 1)
=
total de ocorrncias possiveis
51( total de cartas - 1)
Usando a regra do produto temos:
P ( A B ) = P ( B / A) P ( A) =
IPRJ-UERJ
12 13
51 52
Ariane Ferreira
41
Exemplo 8
Uma faculdade coletou a seguinte informao sobre seus estudantes de graduao:
Um estudante selecionado ao acaso.

1. Qual a probabilidade de que o(a) estudante seja mulher e que esteja cursando
Contabilidade?
Seja A o evento: o(a) estudante est cursando Contabilidade e F o evento: o(a)
estudante mulher.
P(A F) = 80 / 1000
2. Qual a probabilidade de selecionar uma mulher ? P(F) = 400 / 1000
IPRJ-UERJ
Ariane Ferreira
42
Uma faculdade coletou a seguinte informao sobre seus estudantes de graduao:
Um estudante selecionado ao acaso.

3. Dado que o(a) estudante mulher, qual a probabilidade de que esteja
cursando Contabilidade ?
Precisamos calcular P(A / F)
P(A / F) = P(A F) / P(F) = [80 / 1000] / [400 / 1000] = 0,20
IPRJ-UERJ
Ariane Ferreira
43
Eventos Independentes
O evento A independente de B se: P ( A / B ) = P ( A)
O conhecimento de B no altera as chances de realisao de A.
Igualmente:
P( B / A) = P( B)
P( A B )
P ( B / A) =
= P( B)
P ( A)
P( A / B) = P( A)
P( A B )
= P ( A)
P( B)
IPRJ-UERJ
P( A B) = P( A) P( B)
Ariane Ferreira
44
Confuso entre independncia e disjuno

comum a confuso entre independncia e disjuno.
Independncia e disjuno so conceitos distintos.
Se A e B forem eventos disjuntos,
Ento A e B sero independentes se e s se P(A) = 0 ou P(B) = 0.
Se A e B tem probabilidade de ocorrncia no nula: P(A) 0 ou P(B) 0 e
forem independentes, ento sua interseo no pode ser vazia.
P( A B) = P( A) P( B)
Propriedades: Se A e B so independentes, ento tambm so independentes os
eventos:
a) B e A
b) B e A
c) A e B
IPRJ-UERJ
Ariane Ferreira
45
Exemplo 9
Um dado equilibrado jogado 2 vezes. Sejam os eventos:
A o 1 dado mostra um nmero par;
B o 2 dado mostra um 5 ou um 6.
Pergunta: A e B so independentes?
Claro que so independentes, a ocorrncia de um deles no afeta de modo algum a
ocorrncia do outro: um no tem relao com o outro.
Vamos verificar: A e B e A
B
Assim :
18 1
P ( A) =
=
36 2
IPRJ-UERJ
12 1
P( B) =
=
36 3
P( A B) =
1
P( A) P ( B ) =
6
6 1
=
36 6
1
P( A B ) = P ( A) P( B ) =
6
Ariane Ferreira
46
Exemplo 10
De um baralho completo retira-se uma carta, anota-se o naipe e devolve-se a carta
ao baralho. Retira-se uma segunda carta. Qual a probabilidade de ter sado uma
carta de ouros e outra de paus nesta ordem?
Sabendo que oespao Amostral tem 5252 elementos:
P( A B) =
13 13 1
=
52 52 16
Alternativamente, considere os seguintes eventos,

1. A retirar uma carta do baralho e ser ouros;
2. B retirar uma carta do baralho e sair paus.
Evento de interesse A
B sair ouro e depois sair paus.
A e B so independentes:
P ( A B ) = P ( A) P ( B ) =
IPRJ-UERJ
13 13 1
=
52 52 16
Ariane Ferreira
47
Exemplo 11
Suponha que um escritrio possua 100 mquinas de calcular.
Algumas so eltricas (E) e outras mecnicas (M); algumas novas (N) e outras so
muito usadas (U). A tabela informa o nmero de mquinas em cada classe:
Uma pessoa entra no escritrio e pega uma mquina eltrica ao acaso. Qual
a probabilidade de que esta seja nova?
Evento mquina nova (N) dado que eltrica (E), P(N/E)?
Usando a abordagem de Laplace, calculamos as probabilidades baixo:
40
P( N E )
40 2
P( N / E ) =
= 100 =
=
60
P( E )
100 3
100
IPRJ-UERJ
Ariane Ferreira
48
Probabilidade Total
Considere o espao amostral S contendo o evento B que consiste de k
componentes disjuntos (mutuamente exclusivos), que formam uma partio de S:
B = B1 B2 ... Bk ;
Bi Bj =
para ij
Considere que um outro evento A que pode ou no ocorrer simultaneamente com

todos os componentes de B.
A = (A B1 ) (A B2 ) ..... (A Bk )
IPRJ-UERJ
Ariane Ferreira
49
Continuao Probabilidade Total

Isso quer dizer que o evento A est descrito em forma total pelos componentes
B1....Bk do evento B, os quais so disjuntos (mutuamente exclusivos).
Podemos descrever A na equao abaixo:
A = U (Bi A)
k
i =1
Ento:
P(A) = P(B1 A) +....+ P(Bk A)
k
k
P( A) = P U( Bi A) = P( A Bi )
i
i =1
Usando a regra da Multiplicao temos o teorema da Probabilidade Total:
P(A) = P(B1 ) . P(A/B1 ) +....+ P(Bk ) . P(A/Bk )
k
P ( A) = P ( A / Bi ) P( Bi )
i =1
IPRJ-UERJ
Ariane Ferreira
50
Observaes sobre Probabilidade Total

1. Isso quer dizer que a equao da probabilidade de um evento A na presena de
uma extratificao de S obtida:
fatiando-se o evento A nos varios extratos de Bi de S, A/Bi .
Podemos usar a palavra estratificao do espao amostral ao invs de partio e
cada elemento da partio um `extrato' do espao amostral.
2. Com a regra do produto de probabilidades, este resultado tambem til
naqueles experimentos que podem ser divididos em etapas:
Bi evento definido somente para a 1 etapa.
A evento definido em termos da 2 etapa.
Em todo caso, obrigatorio o fato de que B1, B2, ...Bk devem formar uma partio
do espao amostral S.
IPRJ-UERJ
Ariane Ferreira
51
Exemplos 12 e 13
Exemplo 12: Jogue um dado e considere os eventos:
A1 sair um primo A1={2,3,5}
A2 sair um par A2={2,4,6}
A3 sair 1 A3={1}
Verifique se os eventos A1, A2 , A3 formam uma partio do espao amostral S.
Os eventos A1, A2 , A3 no formam uma partio de S:
A1 A2 A3 =S mas A1A2
Os eventos so exaustivos mas no excludentes com relao a S.
Exemplo 13: Jogue um dado e considere o espao amostral S={1,2,3,4,5,6}.
Sejam os eventos:
B1 sair um mpar B1={1,3,5}
B2 sair um primo par B2={2}
B3 sair 4 ou 6 B3={4,6}
Os eventos B1, B2 , B3 formam uma partio de S.
IPRJ-UERJ
Ariane Ferreira
52
Exemplo 14
Considere 2 caixas, cada uma contendo parafusos grandes e pequenos.
Suponha que uma caixa 1 contenha 60 parafusos grandes e 40 pequenos e que a
outra caixa 2 contenha 10 parafusos grandes e 20 pequenos.
Suponha que escolhida uma caixa ao acaso e dela retirado um parafuso.
Determine a probabilidade de que este seja grande.
Decompomos este experimento em duas etapas:
1 Etapa: excolher uma caixa
Evento A1 sai a caixa 1

Evento A2 sai a caixa 2
1
P( A1 ) = P ( A2 ) =
2
Os eventos A1 e A2 formam uma partio do espao amostral.

2 Etapa: excolher um parafuso
Evento B o parafuso grande
Podemos calcular a probabilidade de B usando o teorema da probabilidade total:
60 1 10 1 7
P ( B ) = P( B / A1 ) P ( A1 ) + P ( B / A2 ) P ( A2 ) =
+ =
100 2 30 2 15
A probabilidade de ser escolhido um parafuso grande 7/15.
IPRJ-UERJ
Ariane Ferreira
53
Exemplo 15
Considere um lote de 100 mas sendo que 10 so podres e 90 so boas.
Deste lote extramos em dois dias seguidos uma ma por dia.
Assumindo que dois dias so insuficientes para as mas boas passarem a podres,
qual a probabilidade da ma do 2 dia estar podre?
Decompomos este experimento em duas etapas:
1 Etapa: Pegar uma ma no 1 dia
Partio
Evento A1 sai a ma podre

Evento A2 sai a ma boa
Os eventos A1 e A2 formam uma partio do espao amostral.

2 Etapa: Pegar uma ma no 2 dia
Evento B a ma podre.
Podemos calcular a probabilidade de B usando o teorema da probabilidade total:
9 10 10 90
1
P ( B ) = P( B / A1 ) P ( A1 ) + P ( B / A2 ) P ( A2 ) =
+
=
99 100 99 100 10
IPRJ-UERJ
Ariane Ferreira
54
Teorema de Bayes (Thomas Bayes)

O teorema de Bayes tambm chamado de teorema das causas.
uma consequncia da dfinio de probabilidade condicional.
As frmulas de Bayes tem o objetivo de expressar P(A/B) em funo de P(B/A).
Primeira frmula de Bayes:
P( A / B) P( B)
P( B / A) =
P( A)
A equao acima obtida pela eliminao de P(A
B) das probabilidades
condicionais P(A/B) e P(B/A) :
P( A B)
P( A B)
P( A / B) =
e P ( B / A) =
P( B)
P( A)
IPRJ-UERJ
Ariane Ferreira
55
Teorema de Bayes (Thomas Bayes)

Seja Bi um sistema completo de eventos B1....Bk , uma partio do espao amostral
S . Seja A um evento qualquer de S tal que P(A) >0.
Podemos escrever:
P( A Bi ) = P ( A / Bi ) P( Bi )
Usando o teorema da Probabilidade Total:

k
P ( A) = P( A / Bi ) P( Bi )
i =1
Obtemos a Segunda frmula de Bayes:
P( Bi / A) =
P( A / Bi ) P( Bi )
k
P( A / B
j =1
IPRJ-UERJ
) P( B j )
Ariane Ferreira
56
Observaes sobre o Teorema de Bayes

1. O teorema de Bayes no afirma nada no caso em que P(A) = 0, mas neste caso,
pela denio de probabilidade condicional, P(Bi/A) = P(Bi).
2. Note que, pelo teorema da probabilidade total (slide 41), o quociente na segunda
frmula de Bayes igual a P(A).
3. O teorema de Bayes til para experimentos que podem ser divididos em 2
etapas:
Sejam Bj , j=1,...,k , eventos definidos em termos da a 1 etapa,
Seja A evento definido em termos da 2 etapa.
O teorema de Bayes fornece uma forma de calcular P(Bi/A).
P(Bi/A) probabilidade de um evento definido em termos da 1 etapa dado que voc
conhece o que ocorreu na 2 etapa.
IPRJ-UERJ
Ariane Ferreira
57
Observaes sobre o Teorema de Bayes

4. P(Bi) chamada probabilidade a priori de Bi (ou seja, probabilidade antes do
conhecimento do que ocorrer depois no caso, A)
5. P(Bi/A) chamada de probabilidade a posteriori (ou seja probabilidade de um
evento sabendo-se o que ocorreu depois no caso, A.
6. Usando esta terminologia, nota-se que o teorema de Bayes fornece o valor de
uma probabilidade a posteriori em funo das probabilidades a priori.
IPRJ-UERJ
Ariane Ferreira
58
Exemplo 16
Trs mquinas diferentes M1, M2 e M3 so utilizadas para produzir parafusos do
mesmo tipo. Suponha que M1 produz 20% do total de parafusos, M2 produz 30% do
mesmo total e M3 produz 50%. Suponha ainda que 1% dos parafusos produzidos
por M1, 2% de parafusos de M2 e 3% dos parafusos de M3 so defeituosos. Assuma
que um parafuso escolhido ao acaso de toda a produo e verfica-se que ele
defeituoso. Qual aprobabilidade de ter sido produzido pela mquina M2?
Considere os eventos:
M1 o parafuso produzido pela mquina 1, P(M1)=0,2
D o parafuso defeituoso.
P(D/ M1)=0,01; P(D/ M2)=0,02; P(D/ M3)=0,03
Calcular P(M2/D), probabilidade do parafuso defeituoso ter vindo da mquina M2,
probabilidade a posteriori de M2 .
IPRJ-UERJ
Ariane Ferreira
59
H duas etapas:
1 Etapa a produo do parafuso em uma das mquinas (escolha de uma
mquina)
2 Etapa a verificao da qualidade do parafuso (se ou no defeituoso).
P( M 2 / D) =
P( D / M 2 ) P( M 2 )
P( D / M 1 ) P(M 1 ) + P( D / M 2 ) P( M 2 ) + P( D / M 3 ) P( M 3 )
0,02 0,3
6
P( M 2 / D) =
=
= 26%
0,01 0,2 + 0,02 0,3 + 0,03 0,5 2 + 6 + 15
IPRJ-UERJ
Ariane Ferreira
60
Exemplo 17
Para selecionar seus funcionrios, uma empresa oferece aos candidatos um curso
de treinamento durante 1 semana. Ao final, eles so submetidos a uma prova e 25%
so classificados como bons (B), 50% como mdios (M) e os outros 25% como
fracos (F).
Como medida de economia, o Departamento de Seleo pretende substituir o
treinamento por um teste contendo perguntas envolvendo conhecimentos gerais e
especficos, mas, para isso, gostaria de conhecer a probabilidade de que um
indivduo aprovado no teste fosse considerado fraco, caso fizesse o curso. Assim,
neste ano, antes do incio do curso, os candidatos foram submetidos ao teste e, de
acordo com os resultados, receberam os seguintes conceitos:
Aprovado (A) et Reprovado (R)
As seguintes probabilidades condicionais foram obtidas:
P(A/B)=0,8
P(A/M)=0,5
P(A/F)=0,2
Sabemos: P(B)=0,25; P(M)=0,50; P(F)=0,25
Determine P(F/A) o candidato ser considerado fraco sabendo que foi aprovado.
IPRJ-UERJ
Ariane Ferreira
61
P(F/A):
P( F / A) =
P( A / F ) P( F )
P( A / B) P( B) + P( A / M ) P( M ) + P( A / F ) P( F )
P( F / A) =
0,20 0,25
= 0,10 = 10%
0,80 0,25 + 0,50 0,50 + 0,20 0,25
Apenas 10% dos aprovados que seriam classificados como fracos durante o
curso.
IPRJ-UERJ
Ariane Ferreira
62
Exemplo 18
Processo de fabricao de semicondutores: contaminao de partculas.
Unidade de fabricao: placas de silcio chamadas wafers.
Uma inspeo visual realisada nos wafers obtidos apos um processo fabricao de
semicondures resultou na tabela abaixo:
N de partculas contaminantes
Proporo de wafers
0,40
0,20
0,15
0,10
0,05
5 ou mais
0,10
Um wafer selecionado aleatriamente deste processo e a inspeo realisada.

a) Qual a probabilidade de que ele no tenha particulas contaminantes?
Considere o evento A={0} P(A) =0,40
b) Qual a probabilidade de que o wafer contenha 3 ou mais particulas contaminantes? Seja
o evento B={3,4,5 ou mais}:
P(B) = 0,10+0,05+0,10=0,25
IPRJ-UERJ
Ariane Ferreira
63
Exemplo 19
A tabela abaixo lista o histrico de 940 wafers obtidos aps um processo fabricao
de semicondutores. Suponha que um wafer selecionado aleatoriamente.
Contaminao
Centro
Borda
Total
fraca
514
68
582
forte
112
246
358
Total
626
314
a) Seja o evento H o wafer tem contaminao forte. Qual a P(H)?

P(H)=358/940=0,38
b) Seja o evento C, contaminao no centro do wafer. Qual a P(C)?
P(C)=626/940=0,67
c) Qual a probabilidade de que o wafer tenha contaminao forte e no centro?
P(HC)=112/940=0,12
d) Qual a probabilidade de que o wafer tenha contaminao forte ou no centro?
P(HC) = P(H) + P(C) - P(HC)=358/940 + 626/940 112/940 = 872/940=0,93
IPRJ-UERJ
Ariane Ferreira
64
Exemplo 20
A tabela abaixo lista o histrico de wafers obtidos aps um processo fabricao de
semicondutores. Suponha que um wafer selecionado aleatoriamente.
N de partculas
Centro
Borda
Total
0,30
0,10
0,40
0,15
0,05
0,20
0,10
0,05
0,15
0,06
0,04
0,10
0,04
0,01
0,05
5 ou mais
0,07
0,03
0,10
Total
0,72
0,28
1,00
a) Qual a probabilidade de que o wafer contenha 4 ou mais particulas (evento A)

ou de que esta contaminao esteja situada na borda do wafer (evento B)?
P(A)=0,04+0,07+0,01+0,03=0,15
P(B)=0,28
P(AB)=0,01+0,03=0,04
P(AB)=P(A)+P(B)-P(AB)=0,15+0,28-0,04=0,39
IPRJ-UERJ
Ariane Ferreira
65
b) Qual a probabilidade de que o wafer contenha menos de 2 partculas (evento
D) ou
ambos mais de 4 particulas e de que esta contaminao esteja situada na borda do
wafer (evento E)?
P(D)=0,40+0,20=0,60
P(E)=0,03
P(DE)=
P(DE)=P(A)+P(B)-P(AB)=0,60+0,03=0,63
IPRJ-UERJ
Ariane Ferreira
66
Exemplo 21
Em um processo de fabricao de pelculas finas:
10 % das unidades contm falhas de superfcie e
25% das unidades contendo falhas de superfcie so funcionalmente defeituosas.
apenas 5% das unidades sem falhas de superfcie so defeituosas.
Seja o evento D a unidade defeituosa e o evento F a unidade contm falhas de
superfcie.
a) Qual a probabilidade de que a unidade seja defeituosa sabendo que ela
contm falhas de superfcie P(D/F)?
P(D/F)=0,25.
b) Qual a probabilidade de que uma unidade seja defeituosa sabendo que ela no
contm falhas de superfcie ?
P( D / F ) = 0,05
IPRJ-UERJ
Ariane Ferreira
67
Exemplo 22
A tabela abaixo apresenta 400 unidades classificadas por conterem falhas de
superfcie e serem funcionalmente defeituosas.
superfcie.
Contm Falhas de Superficie
Defeituosa
Sim (evento F) No
Total
Sim(evento D)
10
18
28
No
30
342
372
Total
40
360
400
Calcule as seguintes probabilidades: P(F), P(D), P(D/F), P(DF), P ( D / F ) P ( D / F ) P ( D / F )
P( F ) =
40
= 0,1
400
10
P( D F ) =
400
IPRJ-UERJ
P(D) =
28
= 0,07
400
P ( F / D) =
10
= 0,36
28
10
P( D F ) 400 10
P( D / F ) =
=
=
= 0,25
40
P( F )
40
400
P( D / F ) =
30
= 0,75
40
P( D / F ) =
18
= 0,05
360
P( D / F ) =
342
= 0,95
360
Ariane Ferreira
68
Defeituosa
Sim (evento F) No
Total
Sim(evento D)
10
18
28
No
30
342
372
Total
40
360
400
rvore de deciso
Falhas de superfcie
No
360
400
No
342
360
IPRJ-UERJ
Sim
40
400
Defeituosas
Sim
18
360
No
30
40
Sim
10
40
Ariane Ferreira
69
Exemplo 23
Em um processo de fabricao so produzidas 850 unidades/batelada, das quais 50
unidades so defeituosas.
a) Duas unidades so selecionadas aleatoriamente de uma batelada sem
reposio.
Qual a probabilidade de que a segunda unidade seja defeituosa dado que a primeira
unidade defeituosa?
Seja A o evento a primeira unidade defeituosa e B o evento a segunda unidade
defeituosa. Calcule a Probabilidade P(B/A)?
49
P( B / A) =
= 0,06
849
b) Trs unidades so selecionadas aleatoriamente de uma batelada sem reposio.
Qual a probabilidade de que as duas primeiras unidades sejam defeituosas (D) e
que a terceira unidade no seja defeituosa (N)?
P( DDN ) =
IPRJ-UERJ
50 49 800
= 0,0032
850 849 848
Ariane Ferreira
70
Exemplo 24
A probabilidade de que a primeira etapa do controlador numrico de uma mquina
para a fabricao de pistes de alta rotao esteja dentro das especificaes de
fabricao de 0,90.
As falhas so devido s variaes do metal, ao alignement do dispositivo eltrico, s
condies da lmina de corte, vibrao e s condies ambientais.
Sabendo que a primeira etapa esta dentro das especificaesde fabricao, a
probabilidade de que a segunda etapa tambm esteja dentro das especificaes
de 0,95.
Qual a probabilidade de que ambas as etapas estejam dentro das especificaes?
Sejam os eventos :
A=primeira etapa dentro das especificaes
B =segunda etapa dentro das especificaes
Queremos saber P(A
B).
P( A B) = P( B / A) P( A) = 0,95 0,90 = 0,855

IPRJ-UERJ
Ariane Ferreira
71
Exemplo 25
Considere o processo de fabricao de semicondutores: contaminao de partculas.
Probabilidade de falha
Nvel de contaminao
Probabilidade do Nvel
0,1
Alto
0,2
0,005
Baixo
0,8
Sejam os eventos:
F o evento o produto falha
H o evento o chip est expoto aos altos nveis de contaminao de partculas.
Qual a probabilidade de que o produto falhe?
A probabilidade pedida P (F). Da tabela acima sabemos:
Podemos usar o teorema da probabilidade total:
P ( F / H ) = 0 ,10
P ( H ) = 0 , 20
P ( F / H ) = 0 , 005
P ( H ) = 0 ,8
P( F ) = P( F H ) + P( F H ) = P( F / H ) P( H ) + P( F / H ) P( H )
P ( F ) = 0,10 0,20 + 0,005 0,80 = 0,024

IPRJ-UERJ
Ariane Ferreira
72
Exemplo 26
Probabilidade de Falhas
Nvel de contaminao
0,10
Alto
0,01
Mdio
0,001
Baixo
Os resultados de uma batelada de produo foram:

20% dos chips tiveram nveis de contaminao altos;
30% dos chips tiveram nveis de contaminao mdios;
50%
50% dos chips tiveram nveis de contaminao baixos.
Qual a probabilidade de que um produto usando um dos chips desta batelada falhe?
Sejam os eventos:
F o produto falha;
P ( F ) = P ( F / H ) P( H ) + P ( F / M ) P( M ) + P( F / L ) P( L)
H chip com nvel de contaminao alto;
M chip com nvel de contaminao mdio;
L chip com nvel de contaminao baixo.
P ( F ) = 0,1 0,20 + 0,01 0,30 + 0,001 0,50 = 0,0235
IPRJ-UERJ
Ariane Ferreira
73
Exemplo 27
a) Duas unidades so selecionadas aleatoriamente de uma batelada, mas a
primeira unidade reposta antes de retirar-se a segunda unidade.
Qual a probabilidade de que a segunda unidade seja defeituosa dado que a primeira
unidade defeituosa?
defeituosa. Calcule a Probabilidade P(B/A)?
50
P( B / A) =
= 0,058
850
Devido a reposio a probabilidade de B

no depende da probabilidade de A.
b) Qual a probabilidade de que ambas as unidades selecionadas sejam

defeituosas?
P( A B) =
IPRJ-UERJ
50 50
= 0,0035
850 850
Ariane Ferreira
74
Exemplo 28
A tabela abaixo apresenta 400 unidades classificadas por conterem falhas de
superfcie e serem funcionalmente defeituosas.
superfcie.
Defeituosa
Sim (evento F) No
Total
Sim(evento D)
2
18
20
No
38
342
380
Total
40
360
400
Calcule as seguintes probabilidades: P(F), P(D), P(D/F), P(DF),
P( D / F ) =
P(D) =
2
= 0,05
40
20
= 0,05
400
A probabilidade de D
no depende de F.
P( F ) =
P( D F ) = P( F ) P( D) =
IPRJ-UERJ
P( F / D) =
2
= 0,10
20
40
= 0,10
400
A probabilidade de F
no depende de D.
2 2
1
=
= 0,005
40 20 200
Ariane Ferreira
75
Exemplo 29
a) Duas unidades so selecionadas aleatoriamente de uma batelada, sem
reposio.
defeituosa.
Verifique se os eventos A e B so ou no so independentes.
Do Exemplo 23 sabemos que:
P( B / A) =
49
849
Os eventos A e B sero independentes se P(B/A)=P(B)
P( B) = P ( B / A) P ( A) + P( B / A ) P( A )
P( B) =
IPRJ-UERJ
49 50
50 800 50
=
849 850 849 850 850
P ( B / A) P( B )
Ariane Ferreira
76
Exemplo 30
O circuito em srie abaixo que opera somente com o trajeto funcional dos
dispositivos da esquerda para a direita.
Considere que os dispositivos so independentes quanto a probabilidade de falha.
Qual a probabilidade de que o circuito opere corretamente?
Sejam os eventos:
L o dispositivo esquerdo funciona corretamente,
R o dispositivo direito funciona corretamente.
0,8
0,9
A probabilidade de que o circuito opere corretamente:
P( L R) = P( L) P( R) = 0,8 0,9 = 0,72
IPRJ-UERJ
Ariane Ferreira
77
Exemplo 31
Suponha que a probabilidade de que um wafer contenha uma grande partcula de
contaminao de 0.01, e que os wafers so independentes, isto , a probabilidade
de que um wafer contenha uma grande partcula no dependente das
caractersticas dos outros wafers.
Se 15 wafers so analisados, qual a probabilidade de que nenhuma grande partcula
de contaminao seja encontrada?
Seja o evento Ei o wafer i = 1,2,...,15 no contm nenhuma grande partcula de
contaminao.
P( Ei ) = 1 0,01 = 0,99
Os 15 wafers so independentes
P( E1 E 2 L E15 ) = P( E1 ) P( E 2 ) L P( E15 ) = (0,99)15 = 0,86
IPRJ-UERJ
Ariane Ferreira
78
Exemplo 32
O circuito em paralelo abaixo que opera somente com o trajeto funcional dos
dispositivos da esquerda para a direita.
A probabilidade de que cada dispositivo funcione corretamente dada na figura.
Considere que os dispositivos so independentes quanto a probabilidade de falha.
Qual a probabilidade de que o circuito opere corretamente?
Sejam os eventos:
T
T o dispositivo T funciona corretamente,

B o dispositivo B funciona corretamente.
A probabilidade de que o circuito opere corretamente:
Usando a Lei de Morgan: A B = A B
0,95
0,95
P(T B) = 1 P(T B ) = 1 P (T B )
P(T B ) = P(T ) P( B ) = (1 0,95) 2 = (0,05) 2
P(T B) = 1 (0,05) 2 = 0,9975

IPRJ-UERJ
Ariane Ferreira
79
Exemplo 33
Probabilidade de falha
Nvel de contaminao
Probabilidade do Nvel
0,1
Alto
0,2
0,005
Baixo
0,8
Sejam os eventos:
F o evento o produto falha
H o evento o chip est expoto aos altos nveis de contaminao de partculas.
Qual a probabilidade de que o chip esteja expoto aos altos nveis de contaminao de
partculas, sabendo-se que o produto falhou?
A probabilidade pedida P (H/F).
No exemplo 25 calculamos P(F)=0,024.
Aplicando o teorema de Bayes:
IPRJ-UERJ
P( H / F ) =
P( F / H ) P( H ) 0,10 0,20
=
= 0,83
P( F )
0,024
Ariane Ferreira
80
Lista de exerccios
Estudo Obrigatrio : Lista de exerccios 1
Estudo Opcional (mas importante):
Fazer os exemplos e exerccios (6.1 at 6.9) do capitulo 6 teoria elementar de
probabilidades do livro:
ESTATSTICA - 4 EDIO - COLEO SCHAUM MURRAY R. SPIEGEL,
LARRY J. STEPHENS - Editora Bookman
IPRJ-UERJ
Ariane Ferreira

Pe 11

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Pe 11

Diunggah oleh

Hak Cipta:

Format Tersedia

Processos Estocsticos

Bibliografia indicada aos alunos

Bibliografia usada para elaborao deste curso

Parte 1.1 Conceitos de Probabilidade

Espao Amostral e Eventos

Dado um Experimento Aleatrio E

Exemplos de Experimento Aleatrio

Exemplos de Espao Amostral e Eventos

Experimento 4: jogar uma moeda duas vezes.

Experimento 5: Lanar um dado e observar a face voltada para cima.

Notao dos Eventos Aleatrios

Usaremos o smbolo para representar o conjunto vazio, e uma barra

Evento Mutuamente Exclusivos (incompatveis, disjuntos)

lgebra dos Eventos Aleatrios

lgebra dos Eventos Aleatrios

( A ) = A outra representao (A)=A

Partio do Espao Amostral

=> a unio dos eventos Ai o espao amostral S.

Absolver ( deixar livre)

Condenar (manter preso)

Definies Objetivistas de Probabilidade

Nmero de casos favorveis

Exemplo 3: Qual a probabilidade de retirar uma dama de um baralho? P(A) = 4 / 52

Exemplos do Conceito Clssico de Probabilidade (Laplace)

Definies Objetivistas de Probabilidade

Quanto maior o nmero de observaes realizadas mais o valor da frequncia

Conceito Subjetivo de Probabilidade

P definida para cada evento A, isto , para cada subconjunto de S

P(A) um nmero entre 0 e 1, 0 P(A) 1

iii. Se E1 e E2 so eventos disjuntos, tais que E1 E2 = , tem-se que

iv. A probabilidade de ocorrncia de um ponto qualquer do espao amostral S

vi. Se o conjunto vazio, P( ) = 0;

Se os eventos E1 e E2 no so mutuamente exclusivos (E1 E2 ), mas so

Um caso em que a desigualdade de Boole conveniente quando se quer

Ento P(A) = 100 / 1000 = 0,1

Seja B o evento: o vo chega atrasado

Seja A o evento: o vo chega adiantado

Ento P(B) = 75 / 1000 = 0,075

Nota: os eventos A e B so mutuamente exclusivos. Porque ?

Nota: os eventos C e D so mutuamente exclusivos. Porque ?

(A) Mat. Aplicada

Consideram-se vrios eventos; por exemplo, o evento E constitudo pelos

2) Qual a probabilidade de um aluno ser homem? ( Evento H)

3) Qual a probabilidade de um aluno ser homem e de matemtica aplicada?

4) Qual a probabilidade de um aluno ser homem ou de matemtica aplicada?

Regra do Produto de Probabilidades

Observaes sobre a Regra do Produto de Probabilidades

Usando a regra do produto temos:

Um estudante selecionado ao acaso.

Um estudante selecionado ao acaso.

Confuso entre independncia e disjuno

Alternativamente, considere os seguintes eventos,

Considere que um outro evento A que pode ou no ocorrer simultaneamente com

Continuao Probabilidade Total

P(A) = P(B1 A) +....+ P(Bk A)

Observaes sobre Probabilidade Total

Evento A1 sai a caixa 1

Os eventos A1 e A2 formam uma partio do espao amostral.

Evento B o parafuso grande

Podemos calcular a probabilidade de B usando o teorema da probabilidade total:

Evento A1 sai a ma podre

Os eventos A1 e A2 formam uma partio do espao amostral.

Teorema de Bayes (Thomas Bayes)